Grande École du Numérique créée en 1936, l’Efrei est un acteur indépendant majeur de l’enseignement supérieur et de la transformation numérique. Installée à Paris ainsi qu’à Bordeaux, l’Efrei forme 6 000 étudiants dans son programme Grande École d’ingénieurs et dans ses Programmes Experts du numérique (bachelors, mastères…), et propose également une offre de formation continue.
Rejoindre l’Efrei, c’est bien plus que rejoindre simplement un leader de l’enseignement supérieur de premier plan, c’est vouloir s’engager dans un projet pédagogique et humain centré sur les étudiants, avec l’assurance d’avoir les moyens de ses ambitions tout en vivant dans un cadre professionnel exceptionnel au sein de nos campus.
Leader indépendant reconnu d’intérêt public par l’État (EESPIG), l’Efrei est habilitée par la Commission des titres d’ingénieurs (CTI) et fait partie de la Conférence des Grandes Écoles. Depuis janvier 2022, l’Efrei est établissement composante de Paris Panthéon-Assas Université.
Au sein de l'Efrei Research Lab, le/la doctorant(e) participera à un projet de recherche consacré au développement d'une architecture d'intelligence artificielle agentique appliquée à l'apprentissage fédéré médical, avec pour enjeux la personnalisation des modèles et la préservation de la confidentialité des données de santé.
Introduction et objet de la thèse
Les établissements de santé se distinguent par le volume et la répartition de leurs données, leurs équipements ainsi que leurs ressources de calcul et de communication. Certaines maladies graves, telles que le mélanome et le cancer du foie, restent rares dans certains établissements. Pour y remédier, le partage des données est essentiel afin de favoriser une prise de décision éclairée. Toutefois, les données de santé étant sensibles et confidentielles, leur partage nécessite des solutions garantissant la protection de la confidentialité, telles que l'apprentissage fédéré.
L'objectif de cette thèse est de développer une architecture d'intelligence artificielle agentique pour une fédération médicale, en s'appuyant sur les travaux déjà réalisés par l'équipe de recherche.
Il s'agira notamment de proposer une méthode de personnalisation par distillation adaptative, guidée par la fiabilité du modèle pour chaque classe. Un agent d'exécution devra, à chaque cycle d'apprentissage, sélectionner les participants, adapter la personnalisation des modèles et les mécanismes de protection des échanges, puis choisir une méthode de compression compatible avec les ressources disponibles.
Résultats attendus
La thèse débutera par un approfondissement de l'état de l'art, comprenant une étude détaillée de la personnalisation fédérée, des agents d'exécution en apprentissage fédéré, des mécanismes de protection de la confidentialité et de la compression des mises à jour.
Cette première étape sera suivie par la définition d'un cadre conceptuel permettant de structurer les décisions de l'agent. De premiers cas d'usage seront ensuite proposés afin de valider la faisabilité de l'approche.
Compétences acquises à l'issue de la thèse
Analyser les problématiques de recherche liées à la préservation de la confidentialité dans un environnement collaboratif d'aide à la décision.
Proposer des approches adaptées aux problématiques étudiées.
Conceptualiser, implémenter et évaluer les approches proposées, identifier leurs limites et définir de futures pistes de recherche.
Diplômé(e) d’une école d’ingénieurs ou titulaire d’un Master 2 (ou diplôme équivalent) en informatique, cybersécurité, cryptographie ou intelligence artificielle, vous souhaitez vous engager dans un projet de recherche ambitieux.
Une première expérience ou des connaissances dans les domaines suivants seront particulièrement appréciées :
Systèmes distribués et intelligence artificielle distribuée ;
Programmation en Java et Python ;
Développement sur des environnements Cloud et Edge Computing ;
Probabilités, statistiques et optimisation.
Vous maîtrisez l’anglais scientifique, notamment à l’écrit et en lecture, et démontrez un réel intérêt pour la recherche, l’expérimentation et la valorisation scientifique des travaux menés.
L’Efrei est engagée en faveur de l’égalité des chances et encourage les candidatures de personnes en situation de handicap. Tous nos postes sont ouverts à tous les talents.